Des scientifiques de Harvard sont parmi les co-auteurs d'une nouvelle étude qui utilise des algorithmes de vision par ordinateur pour examiner des millions d'images Google Street View afin de mesurer si et comment les zones urbaines changent. L'étude a toutes deux révélé que deux caractéristiques démographiques clés - une densité élevée et un niveau d'instruction élevé - jouent un rôle important dans l'amélioration urbaine, et a montré son soutien à trois théories classiques du changement urbain.

Nikhil Naik, Scott Duke Kominers, et leurs collaborateurs espèrent transformer la façon dont les scientifiques étudient les environnements urbains - avec l'aide de Google.

En collaboration avec Edward L. Glaeser, le Fred et Eleanor Glimp Professor of Economics à Harvard et César A. Hidalgo et Ramesh Raskar, professeurs associés au MIT Media Lab, Kominers, professeur agrégé dans l'unité de gestion entrepreneuriale de HBS et du département d'économie et de Naik, un prix Fellow en économie, Histoire et politique, est l'auteur d'une étude qui utilise des algorithmes de vision par ordinateur pour examiner des millions d'images Google Street View dans le but de mesurer si et comment les zones urbaines changent.

En plus de démontrer l'efficacité de la technologie, l'étude a toutes deux révélé que deux caractéristiques démographiques clés - une densité élevée et un niveau d'éducation élevé - jouent un rôle important dans l'amélioration urbaine, et a montré son soutien à trois théories classiques du changement urbain. L'étude est décrite dans un article du 6 juillet dans Actes de l'Académie nationale des sciences .

"Beaucoup de gens, y compris les sociologues et les urbanistes, sont intéressés à étudier pourquoi les lieux évoluent et à quel point les changements se produisent dans différentes villes, ", a déclaré Naik. "Mais il y a un manque de données sur les aspects physiques du changement urbain."

C'est là qu'interviennent les images Google Street View.

Au cours de la dernière décennie, Naik a dit, le géant de la technologie a collecté des millions d'images Street View à travers le pays dans le cadre de son service de cartographie. Quoi de plus, ils maintiennent ces cartes à jour en rephotographiant périodiquement les mêmes endroits dans les grandes villes. Par conséquent, Street View contient une riche base de données d'images urbaines que les chercheurs peuvent utiliser pour suivre les villes dans le temps.

L'utilisation d'images Street View pour suivre les changements urbains n'est pas une idée nouvelle, bien que.

En 2014, alors doctorants Jackelyn Hwang et Robert Sampson, le professeur Henry Ford II des sciences sociales, a publié une étude pionnière qui a employé une équipe de volontaires pour analyser les images Street View et localiser les signes de gentrification dans 3, 000 pâtés de maisons à Chicago.

Naik et ses co-auteurs ont poussé cette idée plus loin en utilisant l'intelligence artificielle pour automatiser le processus.

"En faisant faire un ordinateur, nous avons pu vraiment élargir l'analyse, nous avons donc examiné des images d'environ 1,6 million de pâtés de maisons de cinq villes - Boston, New York, Washington, DC, Baltimore et Détroit, " a déclaré Naik.

Au cœur du système se trouve un algorithme d'intelligence artificielle que les collaborateurs ont « appris » à visualiser des scènes de rue de la même manière que les humains.

Développé à l'origine dans le travail entre Naik, Raskar, et Hidalgo pendant les études supérieures de Naik au MIT Media Lab, l'algorithme calcule "Streetscore" - un score pour la sécurité perçue des paysages de rue, basées sur des photos Street View et des préférences d'image collectées auprès de milliers de volontaires en ligne.

"Nous nous sommes basés sur cet algorithme pour calculer Streetchange - le changement de Streetscore pour des paires d'images Street View du même endroit capturées à sept ans d'intervalle, " a déclaré Naik. " Une valeur positive de Streetchange est associée à de nouvelles constructions ou à des améliorations, et une valeur négative est associée à un déclin global."

Dans deux études de validation - l'une utilisant des images notées par des humains, et un autre utilisant les données municipales de la ville de Boston - les auteurs ont montré que leur algorithme détecte avec précision si et comment les blocs ont changé entre 2007 et 2014.

Armé des données Streetchange générées par l'algorithme, Naik et al. puis a jeté un coup d'œil "au niveau de la rue" à plusieurs théories de longue date du changement urbain issues de l'économie urbaine, Planification, et la sociologie.

"Nous avons trouvé beaucoup de soutien pour ce qu'on appelle la" théorie de l'agglomération du capital humain, ' qui fait valoir que vous avez tendance à voir une amélioration urbaine lorsque vous avez une densité importante d'individus très instruits, " Kominers a déclaré. "Les données suggèrent que d'autres caractéristiques démographiques - des facteurs comme le revenu, frais de logement, ou la composition ethnique - ne semblent pas avoir autant d'importance que la densité et l'éducation."

L'étude a également montré un certain soutien pour une théorie appelée « basculement, " dans lesquels les quartiers qui se sont déjà développés ont tendance à se développer davantage. Les auteurs ont également trouvé des preuves de la théorie de " l'invasion ", qui soutient que les zones autour des quartiers prospères - ou à proximité des quartiers centraux des affaires - ont tendance à s'améliorer davantage au fil du temps.

Cela met en évidence, Kominers ajouté, que l'inégalité urbaine est réelle. "Nos résultats renforcent l'extrême importance du capital humain et de l'éducation à tous les stades de développement, " Kominers a déclaré. "C'est important pour l'accès des gens aux emplois et aux moyens de subsistance, mais c'est aussi important pour leurs capacités à améliorer leur environnement. Et les schémas de changement urbain que nous voyons aident à illustrer pourquoi les inégalités urbaines persistent. »

Finalement, Naik a dit, l'étude montre que l'intelligence artificielle et les données géospatiales peuvent être utilisées pour mesurer l'environnement bâti et les populations et faire de la science urbaine à une résolution et à une échelle sans précédent. "Nous nous sommes concentrés sur le changement urbain ici, mais il y a beaucoup de possibilités pour l'avenir."

Cette recherche a été financée par l'International Growth Center, la Fondation Alfred P. Sloan, une bourse Star Family Challenge, la Fondation nationale des sciences, le Fonds Harvard Milton, le Ng Fund du Harvard Center of Mathematical Sciences and Applications, le groupe de travail sur le capital humain et les opportunités économiques parrainé par l'Institute for New Economic Thinking, le Taubman Center for State and Local Government, le Google Living Labs Award et un cadeau de Facebook.